在看《登月先鋒》前，這些事你知道了嗎？

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

你準備好要當月球移民了嗎？

人類再次展開登月競賽，準備重返月球。

今年八月二十三日，在全世界的矚目下，印度登月艇「月船三號 Chandrayaan-3」成功著陸於月球南極附近，展開為期半個月的科學探測任務，也成為人類史上第四個成功軟著陸於月球表面的國家！這更是 21 世紀以來除了中國嫦娥系列之外唯一的成功登月任務。

這次的登陸地點選在月球南極附近。除了月船三號，未來印度與日本合作的月船四號，以及中國的嫦娥七號、嫦娥八號任務，甚至是 NASA 阿提米斯計畫的首次載人登陸，地點也選在月球南極。

問題來了，月球南極到底有什麼樣的魔力，能讓世界各國如此趨之若鶩？是有挖不完的石油？數不清的黃金？還是外星人留下的秘密裝備？

月球南極有什麼？

從人類的生存、家禽動物的飼養、到植物的灌溉，都脫離不了「水」這個在地球上再常見不過的物質。不僅如此，水電解之後得到的氧氣可以用於呼吸，氫氣則可以做為火箭引擎的燃料使用。想要讓人類走出地球，成為跨行星物種，確保充足的水源供給絕對是最核心的要務之一。

然而，雖然地球上的液態水很多，但正由於我們對水的需求如此龐大，如果要把所有需要的水都從地面用火箭發射進太空，需要的成本將非常驚人。

因此直接開採並使用本來就在太空中的水資源，才是合理且經濟的做法。沒錯，各國在將人類送上登月前，先將目光鎖定在了月球南極，關鍵就是要尋找「水」。

如果月球上有水，不僅能幫助人類在月球建立起永久基地。月球，更將成為人類航向廣袤星海的第一片綠洲。

可是，缺乏大氣保護、日夜溫差超過兩百度的月球表面，真的會有水存在嗎？

由於缺乏大氣層，液態水在月球上要嘛會因為蒸發而散逸，要嘛會因為低溫結成水冰，很難以液態穩定存在。而即使是固態的水冰，也會在炙烈的陽光下昇華，因此月球表面的大部分地方是幾乎沒有水的。

但大家可以想像一下，月球的公轉軌道與地球繞太陽公轉的黃道面幾乎平行，夾角只有 5.145°。也就是說，月球不論在哪個位置，陽光總是直射在月球赤道附近。如果此時月球的南極點剛好有個向下凹陷，而且足夠大、足夠深的隕石坑，那麼在隕石坑之中的陰影區，就永遠不會照射到陽光。

這些地方被稱為「永久陰影區 Permanently Shadowed Areas」。由於不會受到陽光照射，因此永久陰影區附近的水冰，能夠持續存在數十億年的時間。

但是，雖然有「保存」水冰的條件，關鍵是永久陰影區中真的有水冰存在嗎？如果有，含量又有多少呢？這時，各國的探月任務就接手上場了。

月球南極真的有水嗎？

這些探月任務可不是一時興起，因為過去「月球上沒有水」的印象可是深植人心。直到 1990 年代開始，科學家才陸陸續續從越來越多月球探測器的資料中，發現水可能存在的蛛絲馬跡。

其中一次重大的進展發生在 2009 年。當時，NASA 使用擎天神五號火箭，同時發射了「月球勘測軌道飛行器 LRO」以及「月球坑觀測和感測衛星 LCROSS」兩個探測器。前者是一顆繞月衛星，後者則是一個撞擊用探測器。

在發射升空之後，NASA 首先讓 LRO 與火箭分離，並進入月球軌道。接著，還連在火箭第二節上的 LCROSS，則跟著第二節火箭一起朝著月球南極的永久陰影區之一——卡比厄斯環形山飛去。在撞擊前數小時，LCROSS 與第二節分離，並讓第二節火箭以每秒 2.5 公里的高速，直直撞入永久陰影區，激起大量的月表物質。LCROSS 則直直飛入其中，檢測其中的物質成分。並在六分鐘後，同樣撞擊於月球表面。但就在這短短的六分鐘的犧牲打中，LCROSS 收集到的資料向科學家展示了，月球南極的永久陰影區中不僅確定有水冰的存在，更有汞、鎂、鈣、銀、鈉等其他諸多有用的物質資源。

有了 LCROSS 的資料，再加上其他月球探測器，像是克萊門汀號、月船一號、LRO 等等，提供各種遙測資料，人類終於能掌握月球表面有水存在的證據。

時間回到現在，月球表面－尤其是月球極區的永久陰影區中，有水冰的存在已經是科學家的共識。但是這些水冰具體有多少，能否支撐人類在月球極區建立太空基地呢？這就只能實際派出登陸艇前往一探究竟了。

到月球南極尋找水冰吧！

可惜的是，8 月 23 日成功在月球上著陸的月船 3 號和攜帶的月球車 Pragyan，在 9 月 2 號和 4 號就入休眠，推測可能是因為無法承受極低溫環境，至今還未能重新喚醒。

在未來兩年的月球極區無人探測任務中，NASA 的 VIPER 任務可以說是最值得期待的另一項任務。VIPER 全名為月極揮發物調查漫遊車，是 NASA 有史以來第一台「無人月球車」，同時也是 NASA「商業月球載酬服務 CLPS」系列任務的一員。CLPS 和過去的太空任務不同，是由 NASA 提供科研載酬，由商業公司提供載酬的發射、巡航、著陸等服務。本次 VIPER 任務選定的商業夥伴是美國的 Astrobotic Technology 公司，VIPER 探測車將會乘坐該公司的 GRIFFIN 登陸器降落在月球南極，透過各種儀器勘查月球極區揮發份的組成與分布。

這台重 430 公斤，體積與高爾夫球車相當的 VIPER ，身上塞有四個主要儀器。

首先是中子光譜儀，它會藉由量測月球表面中子輻射的能量分布，了解地底下氫原子的分布狀況，從而推測水冰的含量。

第二，近紅外光揮發份光譜儀，它會以近紅外光燈照射月表，並從揮發份的光譜分析它的化學組成，同時也能判斷水是以結晶、非晶質的冰，或是氫氧根離子的形式存在。

第三，質譜儀，能藉由電場分離不同荷質比的物質。除了能知道月表有哪些元素以外，還能分辨氘與氫、氧-18 與氧-16 等不同同位素的含量，對分析水的來源至關重要。

第四個儀器名為 TRIDENT（The Regolith and Ice Drill for Exploring New Terrain），縮寫很酷，名字很長，但簡單來說就是一個裝有溫度計的鑽頭。可以從月面下一公尺處鑽取一段十公分長的岩芯，為前面幾個儀器提供樣品。

除了這些科研儀器以外，VIPER 上還有一對立體視覺攝影機，能夠拍攝具有距離感的照片，為探測車的導航提供參考。

有了 VIPER，NASA 還必須想好要把珍貴的探測車派到何處進行調查，才能盡可能發揮他的潛能。除了理所當然地要放在可能有水的地方之外，地表的起伏與材質也有要求，比如太陡峭的山壁顯然就不是個好選擇。同時探測的地點，還必須可以和地球建立通訊。

更重要的是，由於 VIPER 是太陽能驅動的探測車，探測地點不可以長時間缺乏日光，否則探測車會不僅會因為缺乏電力，還會因為長時間處於酷寒環境中而壞掉。進入休眠的月船三號，就是因為設計上就沒有為度過月球寒夜做準備，因此任務的極限時間一開始就限制在兩週左右。綜合以上條件，科學家選定了月球南極 Nobile 隕石坑西方的高地作為 VIPER 任務的地點。這裡雖然不是嚴格意義上的永久陰影區，但是滿足有日照，且時間足夠短到允許地底下有水冰的存在。

為了有充分的時間進行探索，VIPER 設計時就有考慮探測器的電力與保溫，可以透過三個休眠時期度過月球的夜晚，執行至少一百天的任務。在這一百天中，VIPER 將會調查隕石坑周圍，了解到底有多少水冰和二氧化碳、二氧化硫等揮發物，為將來的登月計畫鋪路！

要前往其他星球甚至離開太陽系，比起地球，擁有較低重力的月球，一直被認為是人類出發太空的前線基地。人類想要成為跨行星物種，水則是絕對不可或缺的關鍵資源。而經過數十年的研究，科學家終於在月球發現可能蘊藏大量水冰資源的地方。我們離移民月球或其他行星，又更靠近了一步。

就讓我們一起期待這些探測器們，幫助我們揭開月球南極的神秘面紗吧。

跟大家說個小趣聞，月船三號著陸之後，印度為了慶祝任務成功而將月船三號的登陸點命名為「濕婆神之力 Shiv Shakti」。那如果今天是你的探測器成功登月了，你會想幫登陸地點取什麼名字呢？留言與大家分享吧！

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.isro.gov.in/Chandrayaan3….
• https://www.technologyreview.com/2020…
• https://www.jpl.nasa.gov/news/nasa-st…https://svs.gsfc.nasa.gov/5074/
• https://svs.gsfc.nasa.gov/4043/#media…
•    • NASA | LRO Observes the LCROSS Impact  
•    • NASA | Water on the Moon  
• https://science.nasa.gov/mission/vipe…
• https://images.nasa.gov/details/ARC-2…
• https://www.cna.com.tw/news/ait/20230…

S編按：【科科齊打交】是我們希望與大家一起進行的對話形式，期待在討論的過程中，我們能離知識更近一些。

在製作《Pan-pan-Panspiracy 一切都是泛科學的陰謀》專題時，我們蒐集到了不少陰謀論，But！這還不夠！我們想要更多！親愛的科夥伴們，快來貢獻你們聽過的陰謀論吧！

所以說，什麼是陰謀論？

所謂陰謀論，顧名思義，背後得有「陰謀」。

在面對一些重大事件或現象時，有些人會用「邪惡力量」、「邪惡集團」去解釋，假定一切背後存在秘密的利益糾葛或政治動機。

這些說法存在一大特點，那就是「低證偽性」，它們聽起來好像有那麼一回事、很容易讓人相信，卻又缺乏實際證據，可以確認究竟是真是假，也因此每次試圖闢謠時，都會落入證據不足，誰也沒辦法說服誰的窘境。

獻上你的陰謀論吧！換你說說看！

聽起來是不是有點熟悉呢？以下這些陰謀論，你或許也有聽過：登月是假的，人類從來沒有上過月球；51 區裡面藏有外星人，是美國政府進行的秘密實驗；從外星來的蜥蜴人偷偷控制著世界……

你還能說出哪些陰謀論？有沒有什麼秘辛，是我們沒聽過的呢？

如果你有超吸引人的陰謀論故事，或是期待我們解密哪個經典陰謀論，都趕快留言告訴我們吧！